Was ist ein Tensor?

Sie sind bereits mit einigen Sonderfällen von Tensoren vertraut:

• Skalar (0D Tensor): eine einzelne Zahl, wie 5 oder 3.14;
• Vektor (1D Tensor): eine Liste von Zahlen, wie [1, 2, 3];
• Matrix (2D Tensor): ein 2D-Raster von Zahlen, wie eine Tabelle mit Zeilen und Spalten.

Höherdimensionale Tensoren (3D, 4D, etc.) erweitern das Konzept von Matrizen um zusätzliche Dimensionen. Zum Beispiel kann ein 3D-Tensor ein Bild mit Höhe, Breite und Farbkanälen darstellen.

Während die Terminologie anfangs komplex erscheinen mag, ist die Hauptidee, dass Tensoren einfach Container für numerische Daten sind, ähnlich wie NumPy-Arrays.

Tensoren in PyTorch vs. NumPy-Arrays

PyTorch-Tensoren verhalten sich in vielerlei Hinsicht ähnlich wie NumPy-Arrays. Außerdem funktionieren Indexierung und Slicing in Tensoren genauso wie in NumPy-Arrays, daher werden wir diese Themen in diesem Kurs nicht behandeln.

Allerdings bieten PyTorch-Tensoren zusätzliche Vorteile, wie zum Beispiel:

• Native Unterstützung für GPU-Beschleunigung;
• Integration mit den Deep-Learning-Modulen von PyTorch;
• Kompatibilität mit Autograd, PyTorchs automatischem Differenzierungswerkzeug für Backpropagation.

Erstellen von Tensoren

PyTorch bietet mehrere Möglichkeiten, Tensoren zu erstellen. Eine der grundlegendsten Methoden ist die Erstellung eines Tensors aus einer Liste oder einem NumPy-Array. Der empfohlene Weg, dies zu tun, besteht darin, die Daten an die torch.tensor()-Funktion zu übergeben: